Anthropic pada Selasa, 3 November 2026 merilis FlashProve, prototipe riset terbuka yang membuktikan secara kriptografis bahwa sebuah jawaban AI benar-benar dihasilkan oleh model yang diklaim. Kode, bukti formal dalam bahasa Lean, dan dokumentasinya dilepas dengan lisensi Apache 2.0. Bagi instansi yang mulai memakai AI untuk layanan publik, ini menyentuh persoalan yang jarang dibahas dalam kontrak pengadaan: bagaimana memastikan model yang dibayar memang model yang menjawab.

Masalah yang selama ini tidak bisa dijawab pengguna

Saat ini tidak ada cara bagi pengguna memeriksa model mana yang sesungguhnya menjawab sebuah panggilan API. Layanan perantara bisa diam-diam mengganti model mahal dengan model murah demi menghemat biaya. Penyerang yang mengubah aliran token pun tidak bisa dideteksi dari mutu jawaban. Menilai hanya dari kualitas keluaran, tulis tim peneliti Anthropic, tidak dapat diandalkan, karena model murah bisa memberi jawaban yang terlihat meyakinkan.

Persoalannya rumit karena dua hal. Bobot model terdepan dirahasiakan pemiliknya. Seandainya pun tersedia, memeriksa ulang satu jawaban berarti menjalankan model itu sendiri, dan biaya komputasinya jauh di luar jangkauan pengguna biasa maupun auditor.

Cara kerja: sidik jari model, lalu bukti per permintaan

FlashProve memakai zkSNARK, jenis bukti kriptografi yang ringkas dan tidak membocorkan isi yang dibuktikan. Alurnya dua tahap:

• Offline. Penyedia model menerbitkan komitmen, semacam sidik jari pendek yang mengikat satu set bobot tertentu. Menurut laporan teknisnya, proses ini memakan waktu sekitar 39 menit dan mencakup sekitar 16 juta permintaan.
• Online. Untuk setiap permintaan, GPU menghasilkan bukti bahwa model yang sudah dikomit itulah yang memproduksi token tersebut. Verifikasi dilakukan di CPU biasa, tanpa GPU.

Karena bukti terikat pada komitmen bobot, yang tersertifikasi bukan sekadar "ada model yang menjawab", melainkan model yang tepat. Bukti tidak mengungkap bobot maupun arsitektur model, sehingga laboratorium komersial bisa memakainya tanpa menyerahkan aset paling berharganya. Anthropic menyebut skema ini juga memberi keamanan pascakuantum.

Angka yang dirilis

Pengujian memakai Llama 4 Maverick, model mixture-of-experts 400 miliar parameter dengan kuantisasi 4-bit. Model ini jadi contoh karena bobotnya publik, bukan karena FlashProve khusus untuk Llama.

• Satu GPU H100 menghasilkan bukti sekitar 110 token per detik.
• Ukuran bukti sekitar 18,78 MB untuk permintaan 1.024 token, dan verifikasinya di CPU memakan waktu sekitar 17 detik.
• Biaya pembuktian sekitar 70 sampai 95 kali waktu GPU dibanding menjalankan inferensi biasa di vLLM. Angka ini yang membuatnya belum layak untuk setiap panggilan API.
• Prover butuh 1 H100 80 GB, 24 core CPU, dan sekitar 290 GB RAM host.

Anthropic mengklaim sistem ini jauh lebih cepat daripada sistem zkML open source sebelumnya pada model 400B yang sama. Klaim keamanan tingkat atasnya ditulis dalam Lean, bahasa verifikasi formal, agar dapat diaudit pihak luar. Lima artefak dilepas bersamaan: tulisan blog, laporan teknis, spesifikasi protokol, kode dengan dua verifier (C++ dan Lean), serta bukti Lean untuk pernyataan matematis utamanya.

Batasan yang perlu disebut jujur

FlashProve belum siap produksi. Anthropic sendiri menegaskan tidak ada rencana menerapkannya di layanan mereka, dan menyebut riset ini sebagai kemajuan antara, bukan agenda yang tuntas.

• Pembuktian bersifat post-hoc: tidak mencegah pengguna menerima jawaban yang salah, hanya memastikan manipulasi bisa terdeteksi.
• Konteks dibatasi 1.024 token per permintaan, jauh di bawah kebutuhan chatbot layanan publik yang lazim menyertakan dokumen panjang.
• Cakupan baru pada model mixture-of-experts tertentu, bukan semua arsitektur.

Karena itu nilainya hari ini lebih besar sebagai arah standar ketimbang sebagai alat siap pakai.

Artinya bagi instansi dan developer di Indonesia

Untuk pemerintah daerah, desa, dan sekolah yang mulai menganggarkan layanan AI, persoalan yang dijawab FlashProve adalah persoalan pengadaan. Klaim vendor bahwa aplikasinya "bertenaga model tertentu" selama ini tidak bisa diverifikasi. Mekanisme komitmen seperti ini, jika kelak menjadi standar, memberi auditor sesuatu yang bisa diperiksa secara matematis ketimbang diyakini dari brosur.

Bagi pengembang yang memakai layanan perantara pihak ketiga, bukti per permintaan menutup celah penurunan versi model secara diam-diam tanpa perubahan harga. Bagi tim keamanan, deteksi manipulasi aliran token menjadi mungkin. Ini relevan ketika chatbot dipakai menjawab pertanyaan warga dan jawabannya dikutip sebagai rujukan resmi.

Yang belum terjawab: siapa yang menerbitkan sidik jari model, dan bagaimana instansi memverifikasinya tanpa punya tim kriptografi sendiri. Sampai ekosistem itu terbentuk, langkah paling realistis adalah menuntut transparansi model di kontrak dan mencatat versi model pada setiap log layanan.

Sumber: Anthropic: Progress on provable inference for large language models (3 November 2026); TechCrunch: Anthropic is working on a system to prove AI models' identity; GitHub: anthropics/FlashProve.